随着各种社交平台飞速崛起,自然语言处理技术俨然成为了生活中密不可分的一部分,其中以中文关键词为核心的研究是机器翻译、信息检索以及舆情监测等诸多领域的重要技术,一直以来都是自然语言处理研究领域里的热点。然而,当前中文关键词提取算法大多使用现成的分词工具来获取候选词,这导致算法的性能极大地依赖于事先分词的准确性。另外,现绝大多数的中文关键词情感分析算法都建立在关键词标签预先提供的前提下,而实际应用场景中往往不具备这些花费昂贵的关键词标注,尽管可以采取流水线式的方法来解决这个问题,但近年来的多篇相关英文工作充分证实了一个联合模型具有更大的潜力。因此,针对上述所提及的各种问题,本文进行了中文关键词提取和端到端关键词情感分析研究,研究内容主要分为两个部分。中文关键词提取算法。针对传统中文关键词提取算法中由分词错误所引入的误差问题,受英文关键短语提取方法的启发,本文使用BIESO标签来标注关键词的边界,并设计了基于Bi LSTM-CRF序列标注模型的关键词提取算法。考虑到基于字符的序列标注方法存在的对词信息忽略的问题,本文提出了一种新的词相关注意机制,该方法以注意力机制为原理有重点地引入更具相关性的词典信息,有效地利用了大型开源词典中所蕴含的丰富词信息,增强了模型对关键词的捕获能力。根据上述改进,设置了多个相关实验,证明了词典信息的融入对于提升序列标注关键词提取方法性能的有效性。端到端中文关键词情感分析算法。针对实际场景下广泛使用的流水线式中文关键词提取及其情感分析方法存在的训练复杂、子任务间联合信息被忽略等问题,本文设计了一种基于多任务学习的端到端中文关键词情感分析算法,其基本思想是从多任务学习的角度出发,将两个具有相关性的子任务放在一起进行联合学习以提高模型的泛化能力。该模型基于Encoder-Decoder结构实现,在学习过程中引入了上下文语义信息和关键词间存在的依赖信息,为增强模型在复杂的中文表达中准确地捕捉不同关键词的情感变化提供了保障。